6992 articoli
Il paper propone ImagiDrive, un innovativo framework end-to-end per la guida autonoma che integra un agente basato su modelli visione-linguaggio con un immaginatore di scene basato su modelli del mondo di guida, creando un ciclo unificato di immaginazione e pianificazione che supera le prestazioni degli approcci precedenti su dataset come nuScenes e NAVSIM.
Il paper introduce CineTrans, un nuovo framework basato su modelli di diffusione mascherati e un dataset specifico (Cine250K) per generare video coerenti multi-scena con transizioni cinematografiche, superando le limitazioni attuali nella sintesi video multi-shot.
Il paper presenta MOON, il primo modello generativo basato su MLLM per l'apprendimento di rappresentazioni multimodali nel commercio elettronico, che supera i limiti delle architetture discriminative esistenti attraverso un modulo MoE guidato, il rilevamento di regioni semantiche chiave e una strategia di campionamento negativo specializzata, supportato dal nuovo benchmark MBE.
Il paper propone un nuovo framework chiamato Next Visual Granularity (NVG) che genera immagini decomponendole in una sequenza strutturata di granularità visiva crescente, dai layout globali ai dettagli fini, ottenendo risultati superiori rispetto alla serie VAR sul dataset ImageNet.
Il paper presenta ARMed, un nuovo framework di apprendimento per rinforzo che mitiga il collasso semantico delle ricompense per migliorare il ragionamento medico open-ended nei modelli visione-linguaggio, ottenendo risultati superiori su sei benchmark medici.
Il paper propone un framework di apprendimento multimodale disaccoppiato che integra istologia e trascrittomica per la caratterizzazione del cancro, affrontando l'eterogeneità dei dati, l'integrazione multi-scala e la dipendenza da dati accoppiati attraverso strategie innovative di fusione, distillazione e aggregazione dei token.
Il paper propone TADSR, una rete di diffusione in un solo passo per il super-risoluzione di immagini reali che, sfruttando un encoder VAE e una funzione di perdita consapevoli del tempo, supera i limiti dei metodi esistenti a timestep fisso per ottenere prestazioni all'avanguardia e un controllo flessibile tra fedeltà e realismo.
Il paper presenta FastAvatar, un framework feedforward unificato che utilizza un Large Gaussian Reconstruction Transformer per ricostruire rapidamente e con alta qualità modelli 3DGS da diverse fonti di dati quotidiane, permettendo un'aggiunta incrementale delle osservazioni senza sprecare i dati di input.
Il paper propone GACD, un metodo di decodifica basato sull'inferenza che utilizza gradienti di primo ordine per stimare e mitigare i bias testuali e visivi, riducendo così le allucinazioni nei modelli linguistici multimodali senza necessità di riaddestramento.
Il paper presenta RTGMFF, un innovativo framework multimodale che combina la generazione automatica di testo basata sulle regioni di interesse (ROI) con un encoder ibrido frequenza-spaziale per migliorare la diagnosi dei disturbi cerebrali tramite dati fMRI, superando le prestazioni degli attuali metodi sui benchmark ADHD-200 e ABIDE.
Il paper presenta T2I-CoReBench, un benchmark completo e complesso che valuta le capacità di composizione e ragionamento dei modelli testo-immagine, rivelando che, nonostante i progressi, tali modelli faticano ancora a gestire scenari ad alta densità compositiva e, soprattutto, a inferire elementi impliciti.
Il paper presenta UniView, un modello innovativo che migliora la sintesi di nuove viste da una singola immagine unificando le caratteristiche di immagini di riferimento selezionate tramite un MLLM e integrandole attraverso un adattatore plug-and-play e un meccanismo di attenzione triplo decoupled per ridurre le distorsioni e preservare i dettagli.
Questo lavoro presenta un metodo innovativo per la stilizzazione 3D guidata dal testo che garantisce coerenza visiva e trasferimenti stilistici regionali controllati, migliorando la qualità dei risultati attraverso un meccanismo di attenzione basato su riferimento, l'uso di mappe di profondità multiple e una nuova funzione di perdita basata sulla distanza Wasserstein troncata.
Il documento presenta LADB, un framework semi-supervisionato che utilizza ponti di diffusione allineati nello spazio latente per tradurre campioni tra domini diversi con dati parzialmente accoppiati, superando i limiti dei metodi non accoppiati e di quelli completamente supervisionati.
Il paper introduce TrueSkin, un dataset sistematico di 7299 immagini che, utilizzato per valutare e addestrare modelli di intelligenza artificiale, dimostra come tale risorsa possa correggere i pregiudizi esistenti e migliorare significativamente sia la precisione nel riconoscimento che la fedeltà nella generazione dei toni della pelle.
Il paper presenta BWCache, un metodo senza addestramento che accelera la generazione di video tramite Diffusion Transformers sfruttando la ridondanza computazionale nei blocchi del modello per riutilizzare dinamicamente le feature intermedie, ottenendo fino a un aumento di velocità di 6 volte mantenendo la qualità visiva.
Il paper presenta Brain-HGCN, un nuovo framework di deep learning geometrico basato sulla geometria iperbolica e sul modello di Lorentz che, superando i limiti delle reti neurali euclidee, modella con alta fedeltà la gerarchia delle reti funzionali cerebrali per migliorare la classificazione dei disturbi psichiatrici.
Il paper presenta I2S, un framework leggero e in tempo reale per l'identificazione degli utenti tramite l'analisi delle pose 3D delle mani durante le interazioni uomo-oggetto in video egocentrici, ottenendo un'accuratezza del 97,52% e risultando ideale per sistemi di realtà aumentata in ambienti critici.
Il lavoro propone GeoProto, un nuovo approccio per il riconoscimento fine-granularità interpretabile che, sfruttando le mappe di diffusione e un'interpolazione di Nyström differenziabile, allinea le similarità alla geometria intrinseca delle caratteristiche visive non lineari, superando le limitazioni delle distanze euclidee e ottenendo prestazioni superiori su benchmark standard.
Il paper presenta SHINE, un framework senza addestramento che sfrutta i modelli di diffusione pre-addestrati come FLUX per realizzare composizioni di immagini fisicamente plausibili con ombre e riflessi realistici, superando le limitazioni delle tecniche esistenti e introducendo il nuovo benchmark ComplexCompo per valutare scenari complessi.